发明名称 |
一种机电设备神经网络故障趋势预测方法 |
摘要 |
本发明涉及一种一种机电设备神经网络故障趋势预测方法,(1)获取对故障敏感的某测点传感器输出的一段连续振动信号;(2)利用3σ方法和插值方法对振动数据分别进行异常值剔除和缺失数据填补;(3)对振动数据序列进行归一化处理;(4)根据归一化处理后的序列,计算出经熵加权后的振动数据序列;(5)由于时间因素影响,利用时间加权对熵加权后的振动数据序列进行时间加权计算;(6)利用由步骤(5)得到的数据序列构建非线性的动态递归神经网络预测模型,并采用黄金分割法确定隐含层最优节点数;(7)对趋势预测结果进行反归一化处理,得到实际预测结果。本发明由于采用动态神经网络模型进行预测,提高了故障预测可靠性。本发明可以广泛应用于各种机电设备故障预测分析中。 |
申请公布号 |
CN101799367B |
申请公布日期 |
2011.08.10 |
申请号 |
CN201010101328.4 |
申请日期 |
2010.01.27 |
申请人 |
北京信息科技大学 |
发明人 |
徐小力;陈涛;王少红;王红军 |
分类号 |
G01H17/00(2006.01)I;G01M99/00(2011.01)I;G06N3/02(2006.01)I |
主分类号 |
G01H17/00(2006.01)I |
代理机构 |
|
代理人 |
|
主权项 |
一种机电设备神经网络故障趋势预测方法,其步骤如下:(1)通过远程监测诊断中心获取对故障敏感的某测点传感器输出的一段连续振动信号;(2)利用3σ方法和插值方法对获取的振动数据分别进行异常值剔除和缺失数据填补,得到振动数据序列{X1,…,Xn};(3)对振动数据序列{X1,…,Xn}进行归一化处理后得到序列{x1,…,xn};(4)根据归一化处理后的序列{x1,…,xn},计算基于信息熵加权系数wSi,进而计算出经熵加权后的振动数据序列{y1,…,yn};(5)由于时间因素影响,利用时间加权对熵加权后的振动数据序列{y1,…,yn}进行时间加权计算后,得到数据序列{z1,…,zn};(6)利用数据序列{z1,…,zn}构建非线性的动态递归神经网络预测模型,并采用黄金分割法确定隐含层最优节点数,进而确定神经网络最佳预测模型结构,进行故障趋势预测,得到预测结果{u1,…,um},m为预测点的数目;(7)对趋势预测结果进行反归一化处理,得到实际预测结果。 |
地址 |
100192 北京市海淀区清河小营东路12号机电系统测控重点实验室 |